Uppsalaforskare gör Big Data till Smart Data

– Inom HASTE-projektet utvecklas metoder som snabbt kan sortera bort ointressant information, hitta data som är relevant och analysera den på ett sätt som bidrar till nya insikter. Det är då Big data blir till Smart data på ett hållbart sätt, säger Carolina Wählby, professor vid Uppsala universitet.

Inom, HASTE, (Hierarchal Analysis of Spatial and Temporal Data) arbetar en tvärvetenskaplig forskargrupp med att ta fram metoder för hierarkisk rankning av mikroskopidata med sikte på tillämpningar inom life science. Det övergripande målet är att effektivisera analysen av bilddata. Forskningen sker i samarbete med bland annat Vironova där ett forskningsspår är inriktat mot automatiserad mikroskopibildsanalys av biologiska prover.
I Vironovas fall handlar det främst om analys av nanopartiklar som ingår i läkemedel. Ett aktuellt exempel är mRNA-vaccin, en typ av vaccin som använts flitigt under coronapandemin.
– För Vironovas del handlar projektet om att effektivisera bildtagning och analys av läkemedel, vilket är en tjänst som företaget tillhandahåller läkemedelsföretag för att i sin tur optimera kvalitet och tillverkning av läkemedel. För att analysera läkemedlen använder Vironova elektronmikroskop. Här genereras stora mängder bilddata, men det är bara en ganska liten del som är av intresse för analysen. Genom att exkludera irrelevant data tidigt i processen kan man spara både tid och beräkningsresurser, säger Ida-Maria Sintorn, CTO, Vironova.

Prototyp
Projektet har under de gångna åren kommit en bra bit på väg. Docent Salman Toor har tillsammans med sina forskarkollegor vid Uppsala universitet utvecklat en sofistikerad beräkningshierarki som i samband med bildtagning gör en snabb analys som fastställer om bilden är relevant och om den ska sparas eller inte.
– Vi har testat delar av vår prototyp i Vironovas verksamhet och kommit fram till ett proof-of-concept. Vårt verktyg gör det möjligt att i förväg se var man bör fokusera analysen, vilket kraftigt minskar tidsåtgången, effektiviserar resursanvändningen och minimerar koldioxidavtrycket, förklarar Saalman Toor.
En viktig fråga är förstås vad i den stora datamängden som anses vara relevant data.
– Därför handlar en annan del av HASTE-projektet om att utveckla AI-metoder. Genom att kombinera dem med beräkningseffektiva mått som beskriver sannolikheten för att en del av en bild eller tidssekvens innehåller vetenskapligt relevant information kan vi omvandla Big Data till Smart Data, fastslår Carolina Wählby.

Klicka här för att läsa mer om HASTE